Estymacja punktowa i przedziałowa
|
|
- Beata Świątek
- 5 lat temu
- Przeglądów:
Transkrypt
1 Temat: Estymacja punktowa i przedziałowa Kody znaków: żółte wyróżnienie nowe pojęcie czerwony uwaga kursywa komentarz 1
2 Zagadnienia 1. Statystyczny opis próby. Idea estymacji punktowej pojęcie estymatora 3. Idea i pojęcia estymacji przedziałowej przedział ufności, poziom ufności 4. Wzory na przedziały ufności dla wybranych parametrów
3 Przykład Cel badania: określić średnią masę jednego owocu wybranej odmiany. Wylosowano 160 owoców. Zważono każdą sztukę. Otrzymane wyniki (w gramach) zestawiono w tabeli. 191, 193,5 190,0 195,3 197,1 199,5 189,8 197,1 193,0 194,5 197,7 193,1 194, 00,5 193,5 185,3 195,1 196, 195,8 196,9 00,6 189,0 191,6 01,5 184,3 186,9 195,1 198,0 0, 03,5 195,3 00,1 197,6 191,5 188,6 19, 194,6 188,8 193,3 196,8 00,8 19,1 195,6 199,8 193,8 189,9 197,0 187,0 194, 190,8 193,9 196,3 198,1 194, 199,6 196,5 198,7 05,8 198,9 190,8 193,8 193,0 194,3 195,4 189,5 198,4 199,5 197,7 189,3 197,8 19,5 194,7 00, 197,0 199,9 191,0 189,8 188,3 193,7 193,3 196,7 196,9 00, 197,3 01,8 189,4 06,3 191,6 0,7 193, 193, 191,6 189,7 194, 188,1 193, 189,6 193, 199,5 193, 194,7 193,7 193,6 197, 197,1 196,0 196,7 194,6 198,1 198,0 199,9 189, 00, 191,3 191,0 191,9 191,1 193,1 195,4 19,3 194,6 197,0 193,4 199,4 198,3 01,4 198,5 01,7 195,5 199,4 190,1 00,7 01,6 190,0 196, 194,1 196,7 197,3 194,6 195,6 198,6 197,8 197,3 193,4 194,8 197, 196,1 19,6 0,4 19,7 00,7 189,1 194,3 190,7 196,5 194,6 197,6 19,1 190,9 198,8 3
4 Terminologia przypomnienie Populacja wybrana odmiana Badana cecha X masa jednego owocu tej odmiany Próba: x 1, x,..., x 160 Liczebność pobranej próby n = 160 4
5 Opis statystyczny próby opis parametryczny wyznaczenie parametrów próby, np.: średniej arytmetycznej, mediany, wariancji, odchylenia standardowego, itd. empiryczny rozkład wartości prezentacja rozkładu wartości w próbie przy użyciu np.: szeregu rozdzielczego, histogramu, wieloboku częstości, dystrybuanty empirycznej 5
6 6 Parametry próby Średnia arytmetyczna: = = = n i i n x n n x x x x Wariancja (nieobciążona): ( ) ( ) ( ) ( ) = = = = = = = n x n x n x x n x x x x x x s n i i n i i n i i n
7 W przykładzie: Parametry próby cd. x = 195, 15 g s = 16,63 g 7
8 Rozkład empiryczny w próbie Granice przedziału Liczebność n i Częstość w i =n i /n <184,05; 186,55) 0,013 <186,55;189,05) 7 0,044 <189,05;191,55) 3 0,144 <191,55;194,05) 3 0,00 <194,05;196,55) 33 0,06 <196,55;199,05) 34 0,13 <199,05;01,55) 0 0,15 <01,55;04,05) 7 0,044 <04,05;06,55> 0, ,000 8
9 Histogram liczebności dla próby Empiryczny rozkład wartości w próbie Rozkład masy owocu w próbie Liczebność ni ,3 187,8 190,3 19,8 195,3 197,8 00,3 0,8 05,3 masa owocu 9
10 Histogramy inne warianty częstość (%) 0,10 0,05 vi=wi/dł klasy 0,00 0, ,3 187,8 190,3 19,8 195,3 197,8 00,3 0,8 05,3 0,060 0,040 masa owocu 0,00 0, ,3 187,8 190,3 19,8 195,3 197,8 00,3 0,8 05,3 masa owocu Komentarz 10
11 Problem Jaka jest średnia masa jednego owocu tej odmiany? Na podstawie wyników pomiaru cechy otrzymanych dla próby będziemy charakteryzować odmianę. 11
12 Średnia masa owocu odmiany vi 185,3 187,8 190,3 19,8 195,3 197,8 00,3 0,8 05,3 masa owocu Komentarz 1
13 Średnia masa owocu odmiany cd. vi 185,3 187,8 190,3 19,8 195,3 197,8 00,3 0,8 05,3 masa owocu Rozkład empiryczny wartości cechy (masa jednego owocu) jest dobrze opisany przez teoretyczny rozkład normalny. Zmienna losowa o rozkładzie normalnym jest modelem cechy (masa jednego owocu) w populacji. 13
14 Średnia masa owocu odmiany cd. vi 185,3 187,8 190,3 19,8 195,3 197,8 00,3 0,8 05,3 masa owocu Zmienna losowa o rozkładzie normalnym jest modelem cechy X w populacji. Mówimy: Cecha X ma rozkład normalny. Masa jednego owocu ma rozkład normalny. 14
15 Średnia masa owocu odmiany cd. vi 185,3 187,8 190,3 19,8 195,3 197,8 00,3 0,8 05,3 masa owocu Zmienna losowa o rozkładzie normalnym jest modelem cechy masa jednego owocu w populacji. N(μ ; σ ) - parametry nie muszą być znane μ, σ - nazywane są parametrami populacyjnymi (teoretycznymi) 15
16 Średnia masa owocu odmiany cd. vi masa owocu x średnia arytmetyczna dla próby μ średnia populacyjna, parametr rozkładu teoretycznego 16
17 Idea estymacji przyjmujemy, że: średnia masa jednego owocu dla odmiany wynosi μ; wartość μ jest nieznana, ale można ją szacować (estymować, oceniać) na podstawie danych z próby wariancja masy jednego owocu tej odmiany wynosi σ ; wartość σ jest nieznana, ale można ją estymować na podstawie danych z próby odchylenie standardowe masy jednego owocu tej odmiany wynosi σ; wartość σ jest nieznana, ale można ją estymować na podstawie danych z próby 17
18 Rodzaje estymacji punktowa przedziałowa Wzory podające oszacowania (oceny) parametrów rozkładów teoretycznych (μ, σ, σ i innych) nazywamy estymatorami punktowymi. Oceną przedziałową nazywamy przedział liczbowy, w którym z dużym p-stwem zawarty jest parametr rozkładu teoretycznego (μ, σ, σ i inne). 18
19 Oznaczenie estymatora punktowego Parametr μ Estymator parametru μˆ σ σˆ σ p σˆ pˆ 19
20 Wzory estymatorów punktowych Cecha X~N(μ, σ ), μ, σ nieznane Próba: x 1, x,..., x n μˆ = x, σˆ = s, σˆ = s *Cecha Y ma rozkład 0-1 z nieznanym parametrem p Próba: y 1, y,...,y n k liczba elementów wyróżnionych p ˆ = k n 0
21 * Uwagi Metody otrzymywania estymatorów punktowych: metoda największej wiarogodności (Fisher) metoda najmniejszych kwadratów (Gauss) metoda momentów Własności estymatorów punktowych: nieobciążoność zgodność efektywność dostateczność 1
22 *Objaśnienie własności estymatorów nieobciążoność - wartość średnia estymatora jest równa wartości parametru populacyjnego ( x oraz s są nieobciążone, s jest obciążony, ale asympotycznie nieobciążony, p jest nieobciążony), zgodność - wraz ze wzrostem liczebności próby wartość estymatora zbliża się do wartości parametru ( x, s, s, p są zgodne), efektywność - miarą efektywności estymatora jest rozrzut otrzymywanych wartości, czyli wariancja; najefektywniejszy estymator ma najmniejszą wariancję ( x,p efektywne), dostateczność - estymator jest dostateczny, jeśli wykorzystuje całą informację o parametrze, jaka zawarta jest w próbie (tę własność posiada x ).
23 Estymacja punktowa 3
24 Estymacja punktowa Cecha X, np. masa owocu wybranej odmiany; założenie: X~N(μ, σ ), gdzie μ, σ nieznane Pytanie: Ile wynosi średnia wartość cechy X w populacji? Odpowiedź: wynosi μ; wartość nieznana, ale można ją estymować na podstawie danych z próby. Losujemy próbę: x1, x,..., xn. Obliczamy średnią arytmetyczną x dla próby. Przyjmujemy, że oceną średniej populacyjnej μ jest średnia dla próby x. 4
25 Estymacja punktowa - komentarz x = 195,15g oś liczbowa y x = 195,15g z oś liczbowa 5
26 Przykład 1. Smakowitość produktu Badano smakowitość pewnego produktu przygotowanego według ustalonej receptury. Dziesięciu konsumentów oceniło organoleptyczne w skali 1-5 cztery próbki produktu. Wyliczono średnie z 10 ocen: x i : 4, 4,5 4,0 4,5 6
27 Smakowitość produktu, cd. Cecha X smakowitość produktu; założenie: X ~ N(μ, σ ), gdzie μ, σ są nieznane. Polecenie 1. Wyznacz ocenę średniej smakowitości produktu przygotowanego według badanej receptury. Średnia dla receptury wynosi μ (wartość nieznana, można ją estymować na podstawie danych z próby). Próba: x1, x, x3, x4 Obliczamy średnią arytmetyczną dla próby: x = 4,30. Odp.: Średnia dla receptury wynosi 4,30. 7
28 Smakowitość produktu, cd. Polecenie. Wyznacz ocenę odchylenia standardowego dla produktu przygotowanego według badanej receptury. Odchylenie stand. dla receptury wynosi σ (wartość nieznana, można ją estymować na podstawie danych z próby). Próba: x1, x, x3, x4 Obliczamy odchylenie stand. dla próby: s = 0,06 s = 0, 4. Odp.: Odchylenie stand. dla receptury wynosi 0,4. 8
29 Przykład. Transport owoców Oceną sposobu transportu owoców jest procent owoców uszkodzonych podczas takiego transportu. W doświadczeniu wylosowano 150 owoców spośród transportowanych i w tej próbie stwierdzono 10 dobrych. 9
30 Transport owoców, cd. Cecha Y stan owocu po transporcie; założenie: Y ~ B(n, p), gdzie p jest nieznane. Polecenie. Wyznacz frakcję owoców uszkodzonych podczas transportu. Frakcja owoców uszkodzonych wynosi p (wartość nieznana, można ją estymować na podstawie danych z próby). Próba: y1, y,..., y150 Obliczamy frakcję owoców uszkodzonych dla próby: 30 p = = 0,0 = 0% 150 Odp.: Frakcja owoców uszkodzonych podczas transportu badaną metodą wynosi 0%. 30
31 Estymacja przedziałowa 31
32 Idea estymacji przedziałowej K L??? K P oś liczbowa μ μ ( K ) L ; K P 3
33 Estymacja przedziałowa Szukamy takiego przedziału: μ ( K ) L ; K P który będzie spełniał warunek: ( ) P K L ; K P μ - duże Np.: albo P P μ ( K ; ) = 0, 95 L K μ ( K ; ) = 0, 99 L K P P 33
34 Estymacja przedziałowa cd. Ogólnie: gdzie: P μ( K ; ) = 1 α L K P 1 α duże (np. równe 0,95 albo 0,99) α małe (np. równe 0,05 albo 0,01) 34
35 Estymacja przedziałowa - terminologia P μ( K ; ) = 1 α L K P α poziom istotności 1 α poziom ufności ( K ; K ) L P przedział ufności dla estymowanego parametru przy poziomie ufności 1 α 35
36 Estymacja przedziałowa terminologia P μ( K ; ) = 1 α L K Np. dla α = 0,05 mówimy: przedział ufności dla średniej μ przy poziomie ufności 95% albo 95% przedział ufności dla średniej μ. Np. dla α = 0,01 mówimy: przedział ufności dla średniej μ przy poziomie ufności 99% albo 99% przedział ufności dla średniej μ. P 36
37 Estymacja polecenia Wyznacz ocenę punktową oraz przedziałową średniej, wariancji, odchylenia standardowego, gdy cecha X ma w populacji rozkład normalny z nieznanymi parametrami; poziom ufności - dany Wyznacz ocenę punktową oraz przedziałową frakcji, gdy cecha X ma w populacji rozkład dwupunktowy z nieznanym parametrem; poziom ufności - dany 37
38 Przedział ufności dla średniej μ Cecha X ma w populacji rozkład normalny, X ~ N(μ, σ ), μ, σ nieznane; Losujemy próbę: x 1, x,..., x n ; np.: n=10 191, 193,0 195,1 184,3 197,6 00,8 194, 198,7 189,5 00, Obliczamy parametry próby: x = 194, 46 g, s = 6,89 g, s = 5,19 g, Wyznaczamy końce przedziału ufności ze wzoru: 38
39 Przedział ufności dla średniej μ cd. Przedział ufności dla μ przy poziomie ufności P=1-α: s μ ( x t ; x + t α, v α, n v s n ) x t, v s n x x + t, v s n wartość krytyczna t α, v, v liczba stopni swobody, v = n-1 39
40 Tablica wartości krytycznych rozkładu t-studenta X ~ tν - X zmienna losowa o rozkładzie t-studenta z liczbą stopni swobody v, α - poziom istotności, t α, ν - wartość krytyczna - liczba taka, że P( X > t α, ν ) = α ν \ α 0,400 0,300 0,00 0,100 0,050 0,05 0,05 0,010 0,005 0, ,3764 1,966 3,0777 6,3137 1,706 5,4519 5, , , ,5776 1,0607 1,386 1,8856,900 4,307 6,054 6,054 9,950 14,089 31, ,9785 1,498 1,6377,3534 3,184 4,1765 4,1765 5,8408 7,453 1,944 : 8 0,8889 1,1081 1,3968 1,8595,3060,7515,7515 3,3554 3,835 5, ,8834 1,0997 1,3830 1,8331,6,6850,6850 3,498 3,6896 4, ,8791 1,0931 1,37 1,815,81,6338,6338 3,1693 3,5814 4, ,8755 1,0877 1,3634 1,7959,010,5931,5931 3,1058 3,4966 4,4369 : 85 0,8459 1,048 1,916 1,6630 1,9883,818,818,6349,88 3, ,8456 1,044 1,910 1,660 1,9867,795,795,6316,8779 3, ,8454 1,041 1,905 1,6611 1,985,775,775,686,8741 3, ,845 1,0418 1,901 1,660 1,9840,757,757,659,8707 3,
41 Przykład Wyznaczymy 95% przedział ufności dla średniej μ na podstawie wylosowanej próby (poziom ufności P = 95% = 0,95). Z tablic wartości krytycznych rozkładu t-studenta odczytujemy t α, v dla α = 0,05, v = 9; t 0,05, 9 =,6. Podstawiamy do wzoru: x x s 5,19 tα, v = 194,46,6 = n 10 s 5,19 + tα, v = 194,46 +,6 = n ,75 198,17 41
42 Przykład cd. Odp.: 95% przedziałem ufności dla średniej μ jest (,75 ; 198,17) 190. Średnia μ przy poziomie ufności P=0,95 (z pstwem 0,95) należy do tego przedziału. 4
43 *Interpretacja poziomu ufności Druga próba wylosowana z tej samej populacji: 198,7; 189,5; 00,; 196,7; 0,7; 189,6; 197,1; 00,; 194,6; 195,5 95% przedział ufności dla średniej μ: ( 193,35 ; 199,61) μ? oś liczbowa 43
44 *Precyzja oceny parametru Wyniki pomiarów masy: 191,; 193,0; 195,1; 184,3; 197,6; 00,8; 194,; 198,7; 189,5; 00, Parametry próby: n = 10, x = 194, 46 g, s = 6,89 g, s = 5,19 g. t 0,05, 9 =,6. 95% przedziałem ufności dla średniej μ ( ) jest,75 ; 198, t 0,01, 9 = 3,498; 99% przedziałem ufności dla średniej μ ( ) jest,13 ; 199,
45 Przedział ufności dla wariancji σ Cecha X ma w populacji rozkład normalny, X ~ N(μ, σ ), μ, σ nieznane; Losujemy próbę: x 1, x,..., x n ; np.: 191,; 193,0; 195,1; 184,3; 197,6; 00,8; 194,; 198,7; 189,5; 00, Obliczamy parametry próby: s = 6,89 g, Podstawiamy do wzoru: 45
46 Przedział ufności dla wariancji σ Przedział ufności dla σ przy poziomie ufności P=1-α σ s χ ( n 1) s ( n 1) ; α /, v χ 1 α /, v χ -wartość krytyczna rozkładu chi-kwadrat, v liczba stopni swobody, v = n 1 46
47 Tablica wartości krytycznych rozkładu chi-kwadrat X ~ χ ν - X zmienna losowa o rozkładzie chi-kwadrat z liczbą stopni swobody v, α - poziom istotności, χ α, ν - wartość krytyczna - liczba taka, że P(X > χ α, ν ) = α ν \ α 0,995 0,990 0,975 0,950 0,900 0,100 0,050 0,05 0,010 0, , ,000 0,0010 0,0039 0,0158,7055 3,8415 5,039 6,6349 7,8794 0,0100 0,001 0,0506 0,106 0,107 4,605 5,9915 7,3778 9,104 10, ,0717 0,1148 0,158 0,3518 0,5844 6,514 7,8147 9, ,3449 1,8381 : 8 1,3444 1,6465,1797,736 3, , , ,5345 0,090 1, ,7349,0879,7004 3,351 4,168 14, , ,08 1,6660 3, ,1558,558 3,470 3,9403 4,865 15,987 18,3070 0,483 3,093 5, ,603 3,0535 3,8157 4,5748 5, ,750 19,675 1,900 4,750 6,7569 : 85 55, , , , , , ,517 11, ,356 1, , , , ,160 73, , , , ,116 18, ,495 65, ,949 73, , , , , , , ,375 70, ,19 77,994 8, , ,341 19, , ,
48 Przykład Wyznaczymy 95% przedział ufności dla wariancji σ na podstawie wylosowanej próby. Odczytujemy wartości krytyczne rozkładu chi-kwadrat z tablic: χ α/, ν - dla α=0,05, v=9; χ 0,05, 9=19,08, χ 1-α/, ν - dla α=0,05, v=9; χ 0,975, 9=,
49 Przykład wyniki cd. Podstawiamy do wzoru: s χ ( n 1) α /, v = 6,899 19,08 = 1,7 s χ ( n 1) 1 α /, v = 6,899,7004 = 89,6 Odp.: 95% przedziałem ufności dla wariancji σ ( ) jest,7 ; 89,6 1. Wariancja σ przy poziomie ufności P=0,95 (z p-stwem 0,95) należy do tego przedziału. 49
50 Przedział ufności dla odch. std. σ Cecha X~N(μ, σ ), μ, σ nieznane Próba: x 1, x,..., x n Przedział ufności dla σ przy poziomie ufności P=1-α σ s χ ( n 1) s ( n 1) α /, v ; χ 1 α /, v 50
51 Przedział ufności dla odch. std. σ Wyznaczamy pierwiastki: s χ ( n 1) α /, v = 0,0193 = 0,14 s χ ( n 1) 1 α /, v = 0,8341 = 0,91 Odp.: 95% przedziałem ufności dla odchylenia standardowego σ jest ( 0,14 ; 0,91) Odchylenie standardowe należy do niego z p-stwem 0,95. 51
52 Przedział ufności dla frakcji p Cecha X~B(n, p), p nieznane Próba: x 1, x,..., x n (duża, n > 100) Przedział ufności dla p przy poziomie ufności P=1-α p p u 1 α / p(1 n p) ; p + u 1 α / p(1 n p) u 1-α/ kwantyl rzędu 1-α/ 5
53 Kwantyl u1-α/ u 1- α / kwantyl rzędu 1- α/, to wartość z tablicy dystrybuanty rozkładu X~N(0,1) taka, że F(u1-α/) = 1- α/ α 1- α/ u1- α/ 0,01 0,995,5758 0,05 0,975 1,
54 Przykład. Transport owoców Oceną sposobu transportu owoców jest procent owoców uszkodzonych podczas takiego transportu. W doświadczeniu wylosowano 150 owoców spośród transportowanych i w tej próbie stwierdzono 10 dobrych. 54
55 Przykład estymacja parametru p Cecha Y stan owocu po transporcie Założenie: Y ~ B(n, p), gdzie p jest nieznane Polecenie. Wyznacz przedział ufności dla frakcji owoców uszkodzonych podczas transportu. Odp. Frakcja owoców uszkodzonych podczas transportu wynosi p (wartość nieznana, przedział ufności wyznaczamy na podstawie danych z próby). 55
56 Przykład estymacja parametru p Próba: y 1, y,..., y n n = 150, k = 30 Wyznaczamy przedział ufności dla p przy poziomie ufności P = 1 - α ze wzoru: p p u 1 α / p(1 n p) ; p + u 1 α / p(1 n p) 56
57 Przykład estymacja parametru p Obliczamy frakcję owoców uszkodzonych dla próby: p = 0,0 = 0% Odczytujemy kwantyl z tablicy dystrybuanty rozkładu N(0, 1): α = 1-0,95 = 0,05 α/ = 0, α/ = 0,975 u 0,975 = 1,96 Podstawiamy do wzoru: 57
58 Przykład estymacja parametru p p p p(1 p) 0,0(1 0,0) u1 α / = 0,0 1,96 = n 150 p(1 p) 0,0(1 0,0) + u1 α / = 0,0+ 1,96 = n 150 0,14 0,6 Odp.: Odp.: 95% przedziałem ufności dla frakcji owoców uszkodzonych jest ( 0,14 ; 0,6) Frakcja owoców uszkodzonych podczas transportu należy do niego z p-stwem 0,95. 58
Temat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT. Anna Rajfura 1
Temat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT Anna Rajfura 1 Przykład wprowadzający Wiadomo, Ŝe 40% owoców ulega uszkodzeniu podczas pakowania automatycznego.
Bardziej szczegółowoEstymacja parametrów rozkładu cechy
Estymacja parametrów rozkładu cechy Estymujemy parametr θ rozkładu cechy X Próba: X 1, X 2,..., X n Estymator punktowy jest funkcją próby ˆθ = ˆθX 1, X 2,..., X n przybliżającą wartość parametru θ Przedział
Bardziej szczegółowoWnioskowanie statystyczne. Statystyka w 5
Wnioskowanie statystyczne tatystyka w 5 Rozkłady statystyk z próby Próba losowa pobrana z populacji stanowi realizacje zmiennej losowej jak ciąg zmiennych losowych (X, X,... X ) niezależnych i mających
Bardziej szczegółowoTemat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT. Anna Rajfura 1
Temat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT Anna Rajfura 1 Przykład wprowadzający Wiadomo, że 40% owoców ulega uszkodzeniu podczas pakowania automatycznego.
Bardziej szczegółowoTestowanie hipotez statystycznych
Temat Testowanie hipotez statystycznych Kody znaków: Ŝółte wyróŝnienie nowe pojęcie pomarańczowy uwaga kursywa komentarz 1 Zagadnienia omawiane na zajęciach 1. Idea i pojęcia teorii testowania hipotez
Bardziej szczegółowoWYKŁAD 8 TESTOWANIE HIPOTEZ STATYSTYCZNYCH
WYKŁAD 8 TESTOWANIE HIPOTEZ STATYSTYCZNYCH Było: Estymacja parametrów rozkładu teoretycznego punktowa przedziałowa Przykład. Cecha X masa owocu pewnej odmiany. ZałoŜenie: cecha X ma w populacji rozkład
Bardziej szczegółowo1 Estymacja przedziałowa
1 Estymacja przedziałowa 1. PRZEDZIAŁY UFNOŚCI DLA ŚREDNIEJ (a) MODEL I Badana cecha ma rozkład normalny N(µ, σ) o nieznanym parametrze µ i znanym σ. Przedział ufności: [ ( µ x u 1 α ) ( σn ; x + u 1 α
Bardziej szczegółowo1 Podstawy rachunku prawdopodobieństwa
1 Podstawy rachunku prawdopodobieństwa Dystrybuantą zmiennej losowej X nazywamy prawdopodobieństwo przyjęcia przez zmienną losową X wartości mniejszej od x, tzn. F (x) = P [X < x]. 1. dla zmiennej losowej
Bardziej szczegółowo1.1 Wstęp Literatura... 1
Spis treści Spis treści 1 Wstęp 1 1.1 Wstęp................................ 1 1.2 Literatura.............................. 1 2 Elementy rachunku prawdopodobieństwa 2 2.1 Podstawy..............................
Bardziej szczegółowoTestowanie hipotez statystycznych cd.
Temat Testowanie hipotez statystycznych cd. Kody znaków: żółte wyróżnienie nowe pojęcie pomarańczowy uwaga kursywa komentarz 1 Zagadnienia omawiane na zajęciach 1. Przykłady testowania hipotez dotyczących:
Bardziej szczegółowoMatematyka z el. statystyki, # 6 /Geodezja i kartografia II/
Matematyka z el. statystyki, # 6 /Geodezja i kartografia II/ Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoStatystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl
Bardziej szczegółowoZad. 4 Należy określić rodzaj testu (jedno czy dwustronny) oraz wartości krytyczne z lub t dla określonych hipotez i ich poziomów istotności:
Zadania ze statystyki cz. 7. Zad.1 Z populacji wyłoniono próbę wielkości 64 jednostek. Średnia arytmetyczna wartość cechy wyniosła 110, zaś odchylenie standardowe 16. Należy wyznaczyć przedział ufności
Bardziej szczegółowoZałożenia do analizy wariancji. dr Anna Rajfura Kat. Doświadczalnictwa i Bioinformatyki SGGW
Założenia do analizy wariancji dr Anna Rajfura Kat. Doświadczalnictwa i Bioinformatyki SGGW anna_rajfura@sggw.pl Zagadnienia 1. Normalność rozkładu cechy Testy: chi-kwadrat zgodności, Shapiro-Wilka, Kołmogorowa-Smirnowa
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 7 i 8 1 / 9 EFEKTYWNOŚĆ ESTYMATORÓW, próba
Bardziej szczegółowoWeryfikacja hipotez statystycznych za pomocą testów statystycznych
Weryfikacja hipotez statystycznych za pomocą testów statystycznych Weryfikacja hipotez statystycznych za pomocą testów stat. Hipoteza statystyczna Dowolne przypuszczenie co do rozkładu populacji generalnej
Bardziej szczegółowoStatystyka matematyczna. Wykład III. Estymacja przedziałowa
Statystyka matematyczna. Wykład III. e-mail:e.kozlovski@pollub.pl Spis treści Rozkłady zmiennych losowych 1 Rozkłady zmiennych losowych Rozkład χ 2 Rozkład t-studenta Rozkład Fischera 2 Przedziały ufności
Bardziej szczegółowoLABORATORIUM Populacja Generalna (PG) 2. Próba (P n ) 3. Kryterium 3σ 4. Błąd Średniej Arytmetycznej 5. Estymatory 6. Teoria Estymacji (cz.
LABORATORIUM 4 1. Populacja Generalna (PG) 2. Próba (P n ) 3. Kryterium 3σ 4. Błąd Średniej Arytmetycznej 5. Estymatory 6. Teoria Estymacji (cz. I) WNIOSKOWANIE STATYSTYCZNE (STATISTICAL INFERENCE) Populacja
Bardziej szczegółowoWYKŁAD 5 TEORIA ESTYMACJI II
WYKŁAD 5 TEORIA ESTYMACJI II Teoria estymacji (wyznaczanie przedziałów ufności, błąd badania statystycznego, poziom ufności, minimalna liczba pomiarów). PRÓBA Próba powinna być reprezentacyjna tj. jak
Bardziej szczegółowoDefinicja 1 Statystyką nazywamy (mierzalną) funkcję obserwowalnego wektora losowego
Rozdział 1 Statystyki Definicja 1 Statystyką nazywamy (mierzalną) funkcję obserwowalnego wektora losowego X = (X 1,..., X n ). Uwaga 1 Statystyka jako funkcja wektora zmiennych losowych jest zmienną losową
Bardziej szczegółowoESTYMACJA PRZEDZIAŁOWA WYBRANYCH PARAMETRÓW
ESTYMACJA PRZEDZIAŁOWA WYBRANYCH PARAMETRÓW POPULACJI Szkic wykładu Wprowadzenie 1 Wprowadzenie 2 3 4 Przypomnienie dotychczasowych rozważań Przedziałem ufności nazywamy przedział losowy, o którym przypuszczamy
Bardziej szczegółowoTablica Wzorów Rachunek Prawdopodobieństwa i Statystyki
Tablica Wzorów Rachunek Prawdopodobieństwa i Statystyki Spis treści I. Wzory ogólne... 2 1. Średnia arytmetyczna:... 2 2. Rozstęp:... 2 3. Kwantyle:... 2 4. Wariancja:... 2 5. Odchylenie standardowe:...
Bardziej szczegółowoBłędy przy testowaniu hipotez statystycznych. Decyzja H 0 jest prawdziwa H 0 jest faszywa
Weryfikacja hipotez statystycznych Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy populacji, o prawdziwości lub fałszywości którego wnioskuje się na podstawie
Bardziej szczegółowoStatystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd.
Wnioskowanie statystyczne obejmujące metody pozwalające na uogólnianie wyników z próby na nieznane wartości parametrów oraz szacowanie błędów tego uogólnienia. Przewidujemy nieznaną wartości parametru
Bardziej szczegółowoStatystyka matematyczna. Wykład IV. Weryfikacja hipotez statystycznych
Statystyka matematyczna. Wykład IV. e-mail:e.kozlovski@pollub.pl Spis treści 1 2 3 Definicja 1 Hipoteza statystyczna jest to przypuszczenie dotyczące rozkładu (wielkości parametru lub rodzaju) zmiennej
Bardziej szczegółowoMatematyka i statystyka matematyczna dla rolników w SGGW WYKŁAD 9. TESTOWANIE HIPOTEZ STATYSTYCZNYCH cd.
WYKŁAD 9 TESTOWANIE HIPOTEZ STATYSTYCZNYCH cd. Było: Przykład 1. Badano krąŝek o wymiarach zbliŝonych do monety jednozłotowej ze stronami oznaczonymi: A, B. NaleŜy ustalić, czy krąŝek jest symetryczny?
Bardziej szczegółowoStatystyka matematyczna Testowanie hipotez i estymacja parametrów. Wrocław, r
Statystyka matematyczna Testowanie hipotez i estymacja parametrów Wrocław, 18.03.2016r Plan wykładu: 1. Testowanie hipotez 2. Etapy testowania hipotez 3. Błędy 4. Testowanie wielokrotne 5. Estymacja parametrów
Bardziej szczegółowo... i statystyka testowa przyjmuje wartość..., zatem ODRZUCAMY /NIE MA POD- STAW DO ODRZUCENIA HIPOTEZY H 0 (właściwe podkreślić).
Egzamin ze Statystyki Matematycznej, WNE UW, wrzesień 016, zestaw B Odpowiedzi i szkice rozwiązań 1. Zbadano koszt 7 noclegów dla 4-osobowej rodziny (kwatery) nad morzem w sezonie letnim 014 i 015. Wylosowano
Bardziej szczegółowoWykład 10 Estymacja przedziałowa - przedziały ufności dla średn
Wykład 10 Estymacja przedziałowa - przedziały ufności dla średniej Wrocław, 21 grudnia 2016r Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja 10.1 Przedziałem
Bardziej szczegółowoLABORATORIUM 6 ESTYMACJA cz. 2
LABORATORIUM 6 ESTYMACJA cz. 2 TEORIA ESTYMACJI I 1. ODRZUCANIE WYNIKÓW WĄTPLIWYCH PRÓBA P (m) (m-elementowa) Obliczenie: ; s bez wyników wątpliwych Odrzucenie wyników z poza przedziału: 3s PRÓBA LOSOWA
Bardziej szczegółowoMATEMATYKA Z ELEMENTAMI STATYSTYKI LABORATORIUM KOMPUTEROWE DLA II ROKU KIERUNKU ZARZĄDZANIE I INŻYNIERIA PRODUKCJI ZESTAWY ZADAŃ
MATEMATYKA Z ELEMENTAMI STATYSTYKI LABORATORIUM KOMPUTEROWE DLA II ROKU KIERUNKU ZARZĄDZANIE I INŻYNIERIA PRODUKCJI ZESTAWY ZADAŃ Opracowała: Milena Suliga Wszystkie pliki pomocnicze wymienione w treści
Bardziej szczegółowoEstymacja parametro w 1
Estymacja parametro w 1 1 Estymacja punktowa: średniej, odchylenia standardowego i frakcji µ - średnia populacji h średnia z próby jest estymatorem średniej populacji = - standardowy błąd estymacji średniej
Bardziej szczegółowoEstymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014
Estymacja przedziałowa - przedziały ufności dla średnich Wrocław, 5 grudnia 2014 Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja Przedziałem ufności dla paramertu
Bardziej szczegółowoAnaliza niepewności pomiarów
Teoria pomiarów Analiza niepewności pomiarów Zagadnienia statystyki matematycznej Dr hab. inż. Paweł Majda www.pmajda.zut.edu.pl Podstawy statystyki matematycznej Histogram oraz wielobok liczebności zmiennej
Bardziej szczegółowoWykład Centralne twierdzenie graniczne. Statystyka matematyczna: Estymacja parametrów rozkładu
Wykład 11-12 Centralne twierdzenie graniczne Statystyka matematyczna: Estymacja parametrów rozkładu Centralne twierdzenie graniczne (CTG) (Central Limit Theorem - CLT) Centralne twierdzenie graniczne (Lindenberga-Levy'ego)
Bardziej szczegółowoMetody probabilistyczne
Metody probabilistyczne Teoria estymacji Jędrzej Potoniec Bibliografia Bibliografia Próba losowa (x 1, x 2,..., x n ) Próba losowa (x 1, x 2,..., x n ) (X 1, X 2,..., X n ) Próba losowa (x 1, x 2,...,
Bardziej szczegółowoWykład dla studiów doktoranckich IMDiK PAN. Biostatystyka I. dr Anna Rajfura Kat. Doświadczalnictwa i Bioinformatyki SGGW
Wykład dla studiów doktoranckich IMDiK PAN Biostatystyka I dr Anna Rajfura Kat. Doświadczalnictwa i Bioinformatyki SGGW anna_rajfura@sggw.pl Program wykładu w skrócie 1. Hipotezy o normalności rozkładu.
Bardziej szczegółowoStatystyka matematyczna
Statystyka matematyczna Wykład 8 Magdalena Alama-Bućko 7 maja 2018 Magdalena Alama-Bućko Statystyka matematyczna 7 maja 2018 1 / 19 Przypomnijmy najpierw omówione na poprzednim wykładzie postaci przedziałów
Bardziej szczegółowoWeryfikacja hipotez statystycznych, parametryczne testy istotności w populacji
Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoRozkłady statystyk z próby. Statystyka
Rozkłady statystyk z próby tatystyka Rozkłady statystyk z próby Próba losowa pobrana z populacji stanowi realizacje zmiennej losowej jak ciąg zmiennych losowych (X, X,... X ) niezależnych i mających ten
Bardziej szczegółowoSpis treści 3 SPIS TREŚCI
Spis treści 3 SPIS TREŚCI PRZEDMOWA... 1. WNIOSKOWANIE STATYSTYCZNE JAKO DYSCYPLINA MATEMATYCZNA... Metody statystyczne w analizie i prognozowaniu zjawisk ekonomicznych... Badania statystyczne podstawowe
Bardziej szczegółowoEstymacja przedziałowa. Przedział ufności
Estymacja przedziałowa Przedział ufności Estymacja przedziałowa jest to szacowanie wartości danego parametru populacji, ρ za pomocą tak zwanego przedziału ufności. Przedziałem ufności nazywamy taki przedział
Bardziej szczegółowoSTATYSTYKA - PRZYKŁADOWE ZADANIA EGZAMINACYJNE
STATYSTYKA - PRZYKŁADOWE ZADANIA EGZAMINACYJNE 1 W trakcie badania obliczono wartości średniej (15,4), mediany (13,6) oraz dominanty (10,0). Określ typ asymetrii rozkładu. 2 Wymień 3 cechy rozkładu Gauss
Bardziej szczegółowoPrzedziały ufności. Poziom istotności = α (zwykle 0.05) Poziom ufności = 1 α Przedział ufności dla parametru μ = taki przedział [a,b], dla którego
Przedziały ufności Poziom istotności = α (zwykle 0.05) Poziom ufności = 1 α Przedział ufności dla parametru μ = taki przedział [a,b], dla którego czyli P( μ [a,b] ) = 1 α P( μ < a ) = α/2 P( μ > b ) =
Bardziej szczegółowoStatystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd.
Wnioskowanie statystyczne obejmujące metody pozwalające na uogólnianie wyników z próby na nieznane wartości parametrów oraz szacowanie błędów tego uogólnienia. Przewidujemy nieznaną wartości parametru
Bardziej szczegółowoPorównanie modeli statystycznych. Monika Wawrzyniak Katarzyna Kociałkowska
Porównanie modeli statystycznych Monika Wawrzyniak Katarzyna Kociałkowska Jaka jest miara podobieństwa? Aby porównywać rozkłady prawdopodobieństwa dwóch modeli statystycznych możemy użyć: metryki dywergencji
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki 2. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5.
Bardziej szczegółowoZawartość. Zawartość
Opr. dr inż. Grzegorz Biesok. Wer. 2.05 2011 Zawartość Zawartość 1. Rozkład normalny... 3 2. Rozkład normalny standardowy... 5 3. Obliczanie prawdopodobieństw dla zmiennych o rozkładzie norm. z parametrami
Bardziej szczegółowoPorównanie dwóch rozkładów normalnych
Porównanie dwóch rozkładów normalnych Założenia: 1. X 1 N(µ 1, σ 2 1), X 2 N(µ 2, σ 2 2) 2. X 1, X 2 są niezależne Ocena µ 1 µ 2 oraz σ 2 1/σ 2 2. Próby: X 11,..., X 1n1 ; X 21,..., X 2n2 X 1, varx 1,
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoPobieranie prób i rozkład z próby
Pobieranie prób i rozkład z próby Marcin Zajenkowski Marcin Zajenkowski () Pobieranie prób i rozkład z próby 1 / 15 Populacja i próba Populacja dowolnie określony zespół przedmiotów, obserwacji, osób itp.
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD października 2009
STATYSTYKA MATEMATYCZNA WYKŁAD 4 26 października 2009 Rozkład N(µ, σ). Estymacja σ σ 2 = 1 σ 2π + = E µ,σ (X µ) 2 { (x µ) 2 exp 1 ( ) } x µ 2 dx 2 σ Rozkład N(µ, σ). Estymacja σ σ 2 = 1 σ 2π + = E µ,σ
Bardziej szczegółowoSTATYSTYKA
Wykład 1 20.02.2008r. 1. ROZKŁADY PRAWDOPODOBIEŃSTWA 1.1 Rozkład dwumianowy Rozkład dwumianowy, 0 1 Uwaga: 1, rozkład zero jedynkowy. 1 ; 1,2,, Fakt: Niech,, będą niezależnymi zmiennymi losowymi o jednakowym
Bardziej szczegółowoMetody probabilistyczne
Metody probabilistyczne 13. Elementy statystki matematycznej I Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 17.01.2019 1 / 30 Zagadnienia statystki Przeprowadzamy
Bardziej szczegółowoIV WYKŁAD STATYSTYKA. 26/03/2014 B8 sala 0.10B Godz. 15:15
IV WYKŁAD STATYSTYKA 26/03/2014 B8 sala 0.10B Godz. 15:15 WYKŁAD 4 Populacja generalna, próba, losowanie próby, estymatory Statystyka (populacja generalna, populacja próbna, próbka mała, próbka duża, reprezentatywność,
Bardziej szczegółowoStatystyka matematyczna dla leśników
Statystyka matematyczna dla leśników Wydział Leśny Kierunek leśnictwo Studia Stacjonarne I Stopnia Rok akademicki 03/04 Wykład 5 Testy statystyczne Ogólne zasady testowania hipotez statystycznych, rodzaje
Bardziej szczegółowoStatystyka w przykładach
w przykładach Tomasz Mostowski Zajęcia 10.04.2008 Plan Estymatory 1 Estymatory 2 Plan Estymatory 1 Estymatory 2 Własności estymatorów Zazwyczaj w badaniach potrzebujemy oszacować pewne parametry na podstawie
Bardziej szczegółowoZadania ze statystyki, cz.6
Zadania ze statystyki, cz.6 Zad.1 Proszę wskazać, jaką część pola pod krzywą normalną wyznaczają wartości Z rozkładu dystrybuanty rozkładu normalnego: - Z > 1,25 - Z > 2,23 - Z < -1,23 - Z > -1,16 - Z
Bardziej szczegółowoRozkład normalny. Marcin Zajenkowski. Marcin Zajenkowski () Rozkład normalny 1 / 26
Rozkład normalny Marcin Zajenkowski Marcin Zajenkowski () Rozkład normalny 1 / 26 Rozkład normalny Krzywa normalna, krzywa Gaussa, rozkład normalny Rozkłady liczebności wielu pomiarów fizycznych, biologicznych
Bardziej szczegółowoPODSTAWY WNIOSKOWANIA STATYSTYCZNEGO czȩść I
PODSTAWY WNIOSKOWANIA STATYSTYCZNEGO czȩść I Szkic wykładu 1 Przykład wprowadzajacy 2 Prawo wielkich liczb Bernoulliego i centralne tw. graniczne 3 4 Przykład wprowadzajacy W Polsce różne głosowania odbywaja
Bardziej szczegółowoMetody Statystyczne. Metody Statystyczne.
gkrol@wz.uw.edu.pl #4 1 Sprawdzian! 5 listopada (ok. 45-60 minut): - Skale pomiarowe - Zmienne ciągłe i dyskretne - Rozkład teoretyczny i empiryczny - Miary tendencji centralnej i rozproszenia - Standaryzacja
Bardziej szczegółowoWstęp do probabilistyki i statystyki. Wykład 4. Statystyki i estymacja parametrów
Wstęp do probabilistyki i statystyki Wykład 4. Statystyki i estymacja parametrów dr hab.inż. Katarzyna Zakrzewska, prof.agh, Katedra Elektroniki, WIET AGH Wstęp do probabilistyki i statystyki. Wykład 4
Bardziej szczegółowoDokładne i graniczne rozkłady statystyk z próby
Dokładne i graniczne rozkłady statystyk z próby Przypomnijmy Populacja Próba Wielkość N n Średnia Wariancja Odchylenie standardowe 4.2 Rozkład statystyki Mówimy, że rozkład statystyki (1) jest dokładny,
Bardziej szczegółowoWIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI. Test zgodności i analiza wariancji Analiza wariancji
WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI Test zgodności i analiza wariancji Analiza wariancji Test zgodności Chi-kwadrat Sprawdza się za jego pomocą ZGODNOŚĆ ROZKŁADU EMPIRYCZNEGO Z PRÓBY Z ROZKŁADEM HIPOTETYCZNYM
Bardziej szczegółowoTestowanie hipotez statystycznych.
Statystyka Wykład 10 Wrocław, 22 grudnia 2011 Testowanie hipotez statystycznych Definicja. Hipotezą statystyczną nazywamy stwierdzenie dotyczące parametrów populacji. Definicja. Dwie komplementarne w problemie
Bardziej szczegółowoZadania ze statystyki, cz.7 - hipotezy statystyczne, błąd standardowy, testowanie hipotez statystycznych
Zadania ze statystyki, cz.7 - hipotezy statystyczne, błąd standardowy, testowanie hipotez statystycznych Zad. 1 Średnia ocen z semestru letniego w populacji studentów socjologii w roku akademickim 2011/2012
Bardziej szczegółowoStatystyka matematyczna. Wykład V. Parametryczne testy istotności
Statystyka matematyczna. Wykład V. e-mail:e.kozlovski@pollub.pl Spis treści 1 Weryfikacja hipotezy o równości wartości średnich w dwóch populacjach 2 3 Weryfikacja hipotezy o równości wartości średnich
Bardziej szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta
Bardziej szczegółowoGrupowanie materiału statystycznego
Grupowanie materiału statystycznego Materiał liczbowy, otrzymany w wyniku przeprowadzonej obserwacji statystycznej lub pomiaru, należy odpowiednio usystematyzować i pogrupować. Doskonale nadają się do
Bardziej szczegółowoRachunek prawdopodobieństwa i statystyka - W 9 Testy statystyczne testy zgodności. Dr Anna ADRIAN Paw B5, pok407
Rachunek prawdopodobieństwa i statystyka - W 9 Testy statystyczne testy zgodności Dr Anna ADRIAN Paw B5, pok407 adan@agh.edu.pl Weryfikacja hipotez dotyczących postaci nieznanego rozkładu -Testy zgodności.
Bardziej szczegółowoMetoda momentów i kwantyli próbkowych. Wrocław, 7 listopada 2014
Metoda momentów i kwantyli próbkowych Wrocław, 7 listopada 2014 Metoda momentów Momenty zmiennych losowych X 1, X 2,..., X n - próba losowa. Momenty zmiennych losowych X 1, X 2,..., X n - próba losowa.
Bardziej szczegółowoKomputerowa Analiza Danych Doświadczalnych
Komputerowa Analiza Danych Doświadczalnych Prowadząca: dr inż. Hanna Zbroszczyk e-mail: gos@if.pw.edu.pl tel: +48 22 234 58 51 konsultacje: poniedziałek, 10-11, środa: 11-12 www: http://www.if.pw.edu.pl/~gos/students/kadd
Bardziej szczegółowoJeśli powyższy opis nie jest zrozumiały należy powtórzyć zagadnienie standaryzacji zanim przejdzie się dalej!
CO POWINNIŚMY WIEDZIEĆ (I ROZUMIEĆ) ZABIERAJĄC SIĘ DO CZYTANIA 1. Jeśli mamy wynik (np. z kolokwium) podany w wartościach standaryzowanych (np.: z=0,8) to wiemy, że aby ustalić jaki był wynik przed standaryzacją
Bardziej szczegółowoStatystyka. Rozkład prawdopodobieństwa Testowanie hipotez. Wykład III ( )
Statystyka Rozkład prawdopodobieństwa Testowanie hipotez Wykład III (04.01.2016) Rozkład t-studenta Rozkład T jest rozkładem pomocniczym we wnioskowaniu statystycznym; stosuje się go wyznaczenia przedziału
Bardziej szczegółowoStatystyka i opracowanie danych- W 8 Wnioskowanie statystyczne. Testy statystyczne. Weryfikacja hipotez statystycznych.
Statystyka i opracowanie danych- W 8 Wnioskowanie statystyczne. Testy statystyczne. Weryfikacja hipotez statystycznych. Dr Anna ADRIAN Paw B5, pok407 adan@agh.edu.pl Hipotezy i Testy statystyczne Każde
Bardziej szczegółowoStatystyka matematyczna i ekonometria
Statystyka matematyczna i ekonometria prof. dr hab. inż. Jacek Mercik B4 pok. 55 jacek.mercik@pwr.wroc.pl (tylko z konta studenckiego z serwera PWr) Konsultacje, kontakt itp. Strona WWW Elementy wykładu.
Bardziej szczegółowoTESTOWANIE HIPOTEZ STATYSTYCZNYCH
TETOWANIE HIPOTEZ TATYTYCZNYCH HIPOTEZA TATYTYCZNA przypuszczenie co do rozkładu populacji generalnej (jego postaci funkcyjnej lub wartości parametrów). Prawdziwość tego przypuszczenia jest oceniana na
Bardziej szczegółowoTestowanie hipotez statystycznych.
Bioinformatyka Wykład 9 Wrocław, 5 grudnia 2011 Temat. Test zgodności χ 2 Pearsona. Statystyka χ 2 Pearsona Rozpatrzmy ciąg niezależnych zmiennych losowych X 1,..., X n o jednakowym dyskretnym rozkładzie
Bardziej szczegółowoLABORATORIUM 9 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI
LABORATORIUM 9 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI 1. Test dla dwóch średnich P.G. 2. Testy dla wskaźnika struktury 3. Testy dla wariancji DECYZJE Obszar krytyczny od pozostałej
Bardziej szczegółowo1. szereg wyliczający (szczegółowy) - wyniki są uporządkowane wyłącznie według wartości badanej cechy, np. od najmniejszej do największej
1 Statystyka opisowa Statystyka opisowa zajmuje się porządkowaniem danych i wstępnym ich opracowaniem. Szereg statystyczny - to zbiór wyników obserwacji jednostek według pewnej cechy 1. szereg wyliczający
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 4. Testowanie hipotez Estymacja parametrów
STATYSTYKA MATEMATYCZNA WYKŁAD 4 Testowanie hipotez Estymacja parametrów WSTĘP 1. Testowanie hipotez Błędy związane z testowaniem hipotez Etapy testowana hipotez Testowanie wielokrotne 2. Estymacja parametrów
Bardziej szczegółowoWykład 4. Plan: 1. Aproksymacja rozkładu dwumianowego rozkładem normalnym. 2. Rozkłady próbkowe. 3. Centralne twierdzenie graniczne
Wykład 4 Plan: 1. Aproksymacja rozkładu dwumianowego rozkładem normalnym 2. Rozkłady próbkowe 3. Centralne twierdzenie graniczne Przybliżenie rozkładu dwumianowego rozkładem normalnym Niech Y ma rozkład
Bardziej szczegółowoStatystyczna analiza danych w programie STATISTICA 7.1 PL (wykład 1) Dariusz Gozdowski
Statystyczna analiza danych w programie STATISTICA 7.1 PL (wykład 1) Dariusz Gozdowski Katedra Doświadczalnictwa i Bioinformatyki Wydział Rolnictwa i Biologii SGGW STATYSTYKA to nauka, której przedmiotem
Bardziej szczegółowoElementy statystyki opisowej, podstawowe pojęcia statystyki matematycznej
Elementy statystyki opisowej, podstawowe pojęcia statystyki matematycznej Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoTesty zgodności. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 11
Testy zgodności Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki Szczecińskiej 27. Nieparametryczne testy zgodności Weryfikacja
Bardziej szczegółowoStatystyka opisowa. Robert Pietrzykowski.
Statystyka opisowa Robert Pietrzykowski email: robert_pietrzykowski@sggw.pl www.ekonometria.info Na dziś Sprawy bieżące 2 Na dziś Wykład 5: Statystyka matematyczna Estymatory punktowe i przedziałowe 4
Bardziej szczegółowoStatystyka matematyczna. Wykład VI. Zesty zgodności
Statystyka matematyczna. Wykład VI. e-mail:e.kozlovski@pollub.pl Spis treści 1 Testy zgodności 2 Test Shapiro-Wilka Test Kołmogorowa - Smirnowa Test Lillieforsa Test Jarque-Bera Testy zgodności Niech x
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 3 - model statystyczny, podstawowe zadania statystyki matematycznej
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 3 - model statystyczny, podstawowe zadania statystyki matematycznej Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 3 1 / 8 ZADANIE z rachunku
Bardziej szczegółowoStatystyka dla doktorantów: Estymacja przedziałowa. Przemysław Borys Wydział Chemiczny Politechniki Śląskiej
Statystyka dla doktorantów: Estymacja przedziałowa Przemysław Borys Wydział Chemiczny Politechniki Śląskiej Ogólna idea W estymacji punktowej z próby statystycznej uzyskujemy pewne oszacowania parametrów,
Bardziej szczegółowoTestowanie hipotez statystycznych.
Bioinformatyka Wykład 4 Wrocław, 17 października 2011 Temat. Weryfikacja hipotez statystycznych dotyczących wartości oczekiwanej w dwóch populacjach o rozkładach normalnych. Model 3. Porównanie średnich
Bardziej szczegółowoR ozkład norm alny Bardzo często używany do modelowania symetrycznych rozkładów zmiennych losowych ciągłych
R ozkład norm alny Bardzo często używany do modelowania symetrycznych rozkładów zmiennych losowych ciągłych Przykłady: Błąd pomiarowy Wzrost, wydajność Temperatura ciała Zawartość różnych składników we
Bardziej szczegółowoZmienna bazowa. 100(1 α)% przedział ufności dla µ: 100(α)% test hipotezy dla µ = µ 0; odrzucić, jeżeli Ȳ nie jest w przedziale
Wprowadzenie Wprowadzenie Wnioskowanie podsumowanie Zdefiniuj populację, która będzie przedmiotem badań Zbierz parametry, które będą przedmiotem wnioskowania Wybierz losową próbę z populacji Przeprowadź
Bardziej szczegółowoOdchudzamy serię danych, czyli jak wykryć i usunąć wyniki obarczone błędami grubymi
Odchudzamy serię danych, czyli jak wykryć i usunąć wyniki obarczone błędami grubymi Piotr Konieczka Katedra Chemii Analitycznej Wydział Chemiczny Politechnika Gdańska D syst D śr m 1 3 5 2 4 6 śr j D 1
Bardziej szczegółowoWykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap
Wykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap Magdalena Frąszczak Wrocław, 21.02.2018r Tematyka Wykładów: Próba i populacja. Estymacja parametrów z wykorzystaniem metody
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 11 i 12 - Weryfikacja hipotez statystycznych
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 11 i 12 - Weryfikacja hipotez statystycznych Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 11 i 12 1 / 41 TESTOWANIE HIPOTEZ - PORÓWNANIE
Bardziej szczegółowoTemat: Zmienna losowa. Rozkład skokowy. Rozkład ciągły. Kody kolorów: Ŝółty nowe pojęcie pomarańczowy uwaga. Anna Rajfura, Matematyka
Temat: Zmienna losowa. Rozkład skokowy. Rozkład ciągły Kody kolorów: Ŝółty nowe pojęcie pomarańczowy uwaga 1 Zagadnienia 1. Przypomnienie wybranych pojęć rachunku prawdopodobieństwa. Zmienna losowa. Rozkład
Bardziej szczegółowoOszacowanie i rozkład t
Oszacowanie i rozkład t Marcin Zajenkowski Marcin Zajenkowski () Oszacowanie i rozkład t 1 / 31 Oszacowanie 1 Na podstawie danych z próby szacuje się wiele wartości w populacji, np.: jakie jest poparcie
Bardziej szczegółowoStatystyka w analizie i planowaniu eksperymentu
22 marca 2011 Przestrzeń statystyczna - podstawowe zadania statystyki Zdarzeniom losowym określonym na pewnej przestrzeni zdarzeń elementarnych Ω można zazwyczaj na wiele różnych sposobów przypisać jakieś
Bardziej szczegółowoStatystyka od podstaw Janina Jóźwiak, Jarosław Podgórski
Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski Książka jest nowoczesnym podręcznikiem przeznaczonym dla studentów uczelni i wydziałów ekonomicznych. Wykład podzielono na cztery części. W pierwszej
Bardziej szczegółowo